Технології штучного інтелекту - Робоча програма навчальної дисципліни (Силабус)

Реквізити навчальної дисципліни

Рівень вищої освіти Перший (бакалаврський)
Галузь знань 12 Інформаційні технології
Спеціальність 126 Інформаційні системи та технології
Освітня програма Інформаційне забезпечення робототехнічних систем
Статус дисципліни За вибором
Форма навчання очна(денна)
Рік підготовки, семестр 4 курс, весняний семестр (8)
Обсяг дисципліни 128 годин (денна: 36 годин – лекції, 32 години – лабораторний практикум, 60 годин – СРС; заочна: 6 годин – лекції, 6 годин – лабораторний практикум, )
Семестровий контроль/ контрольні заходи залік
Розклад занять http://rozklad.kpi.ua/Schedules/ScheduleGroupSelection.aspx
Мова викладання Українська
Інформація про
керівника курсу / викладачів

Лектор: ст. викладач Польшакова Ольга Михайлівна.

електронна пошта: polshakova.om@gmail.com

моб. +38(093)149-91-92

Лабораторний практикум: Польшакова Ольга Михайлівна.
Розміщення курсу https://campus.kpi.ua

Програма навчальної дисципліни

Опис навчальної дисципліни, її мета, предмет вивчання та результати навчання

Опис дисципліни. Дисципліна «Технології штучного інтелекту» є основною з ряду спеціальних дисциплін, що стосуються систем штучного інтелекту, та вступною для дисциплін, що стосуються інтелектуального аналізу даних у підготовці бакалаврів з напряму «Інформаційні системи та технології». Основним об’єктом вивчення є класичні технології ШІ та методи і напрямки застосування.

Окрім цього, викладання курсу має на меті ознайомити студентів з основами практичного апарату, необхідного для застосування теоретичних і практичних знань з обраного фаху, виробити навички оцінки отриманих результатів, вибір оптимального методу розв’язування задач; привити студентам уміння самостійно вивчати навчальну літературу з теорії штучного інтелекту, розвинути логічне та математичне мислення та підняти загальний рівень інформаційної культури студентів; розвинути алгоритмічне мислення та вміння вибирати і використовувати інтелектуальні методи і засоби; ознайомити студентів з роллю та місцем штучного інтелекту в наукових дослідженнях.

Значна увага приділяється формуванню знань, вмінь та навичок, необхідних для розроблення і застосування моделей відображення знань, стратегій логічного виведення, технологій інженерії знань, технологій і інструментальних засобів інтелектуальних систем.

Предмет дисципліни. Технології, методи та системи штучного інтелекту, теоретичні основи штучного інтелекту.

Міждисциплінарні зв’язки. Базові знання з дисциплін: математичний аналіз, дискретна математика, об’єктно – орієнтоване моделювання, теорія алгоритмів, моделювання систем, веб-технології та веб- дизайн.

Мета дисципліни – формування знань, вмінь та навичок, необхідних для застосування технологій ШІ з використанням сучасних методів і засобів програмування (нейронні мережі, об’єктно-орієнтований підхід, моделі представлення знань) для вирішення інтелектуальних, нечітких та важко формалізуємих задач.

Основні завдання навчальної дисципліни. Вивчення сучасних методів і технологій штучного інтелекту, розроблення та застосування моделей представлення знань для побудови

інтелектуальних систем.

Дисципліна «Технології штучного інтелекту» формує та закріплює у студентів наступні компетентності: (ЗК01) здатність до абстрактного мислення, вирішення інтелектуальних задач; основні поняття та означення штучного інтелекту, здатність до визначення підходів та методів і технологій штучного інтелекту, способів подання інтелектуальної задачі та методів пошуку рішень, моделі представлення знань у системах із ШІ, володіння сучасними тенденціями та підходами до створення систем із ШІ, (ЗК02) здатність спілкуватися іноземною мовою що формує наступні програмні результати навчання: (РН01) вміння досліджувати й оцінювати програмні продукти з алгоритмами штучного інтелекту, розробляти нейромережі різної архітектури, зокрема: перцептрон, неокогнітрон, когнітрон, мережі Хопфілда та Хемінга, розробляти системи розпізнавання образів; (РН05) визначати технічні вимоги до ІСТ на основі аналізу бізнес-процесів та аналізу потреб зацікавлених сторін, застосовувати класичні технології штучного інтелекту для вирішення інтелектуальних задач, моделювати структуру та розробляти експертні системи.

2. Пререквізити та постреквізити дисципліни (місце в структурно-логічній схемі навчання за відповідною освітньою програмою)

Пререквізити: для успішного засвоєння дисципліни необхідно мати теоретичну базу з теорії

автоматичного управління, математичного аналізу, дискретної математики, теорії алгоритмів

та мат. статистики, програмування, проектування гнучких комп’ютеризованих систем.

Постреквізити: результати навчання даної дисципліни використовують у дипломному проектуванні

та у спеціалізованих дисциплінах подальшого курсу підготовки магістрів, зокрема курсів нейротехнології та нейрокомп’ютері системи, теорія нечітких множин та прийняття рішень.

Зміст навчальної дисципліни

Лекційні заняття

Тема 1. Основні поняття та визначення.

Тема 2. Нейронні мережі.

Тема 3. Системи розпізнавання образів.

Тема 4. Класичні технології ШІ.

Тема 5. Представлення та використання знань у СШІ.

Лабораторний практикум:

1. Практичне ознайомлення з дослідницькими програмами на базі ШІ.

Дослідження демонстраційних програмних продуктів

2. Вступ до нейронних мереж.

Моделювання роботи нейрона

3. Розробка нейронної мережі перцептрон

4. Практичне ознайомлення з нейронними мережами.

Дослідження роботи нейромережі Хопфілда

5. Розробка нейронної мережі Хопфілда (чи Хемінга)

6. Розробка нейронної мережі когнітрон (чи неокогнітрон)

7. Розробка системи розпізнавання образів

8. Класичні технології штучного інтелекту – програмна реалізація.

Генетичні алгоритми. Ланцюги Маркова. Алгоритм мурахі.

Алгоритм відпалу.

9. Розробка експертної системи

10. Розробка системи підтримки прийняття рішень

**
**

Навчальні матеріали та ресурси

Базова література

Конспект лекцій - https://campus.kpi.ua/student/index.php?mode=mob&show&irid=202438

Презентації - https://campus.kpi.ua/student/index.php?mode=mob&show&irid=202439

Допоміжна література

Навчальні ресурси:

  1. Штучний інтелект: підручник для студ. вузів,

" / М.М.Глибовець, О.В.Олецький . – К. : КМ Академія, 2002 . – 365 с.

  1. Комп'ютерні системи штучного інтелекту: підручник для студ. Вузів / Доля В.Г. – К.

: Університет Україна, 2011. – 296 с.

  1. Субботін С.О. Подання і обробка знань у системах штучного інтелекту

    та підтримки прийняття рішень: навч. посібник. - Запоріжжя, ЗНТУ, 2008. - 341 с.

  2. Штучний інтелект: підручник для студ. вузів, що навчаються за спец. "Комп'ютерні науки" та "Прикладна математика" / М.М.Глибовець, О.В.Олецький . – К. : Академія,

2002 . – 365 с.

  1. Комп'ютерні системи штучного інтелекту: підручник для студ. Вузів / Доля В.Г. – К. : Університет Україна, 2011. – 296 с.

  2. Субботін С.О. Подання і обробка знань у системах штучного інтелекту та підтримки прийняття рішень: навч. посібник. - Запоріжжя, ЗНТУ, 2008. - 341 с.

  3. Рідкокаша А.А., Голдер К.К. Основи систем штучного інтелекту. Навчальний посібник. - Черкаси: "ВІДЛУННЯ-ПЛЮС", 2002. - 240 с.

  4. Спірін О.М. Початки штучного інтелекту: Навчальний посібник для студ. фіз.-мат. спец-тей вищих пед. навч. закл-ів – Житомир: Вид-во ЖДУ, 2004.

– 172 с.

  1. Кампус КПІ: Доступ до ресурсу:

    http://camps.kpi.ua/student/index. php?

Електронна бібліотека університету. Доступ до ресурсу:http://eia.kpi.ua/

Навчальний контент

5. Методика опанування навчальної дисципліни (освітнього компонента)

Лекційні заняття ( денна форма навчання)

Номер

Перелік тем лекцій, їх анотації

Кількість

лекції

Восьмий семестр

годин

1

Вступ. Штучний інтелект. Основні поняття та визначення.

 2

Напрями штучного інтелекту

2

Нейронні мережі. Моделювання роботи нейрона.

 2

3

Нейронна мережа перцептрон.

 2

4

Нейронна мережа Хопфілда.

 2

5

Нейронна мережа Хемінга.

 2

6

Нейронна мережа когнітрон.

 2

7

Нейронна мережа неокогнітрон.

 2

8

Системи розпізнавання образів. Комп’ютерний зір.

 2

9

Класичні технології штучного інтелекту – програмна реалізація.

Архітектура нейромереж.

 2

Генетичні алгоритми.

10

Ланцюги Маркова

 2

11

Алгоритм мурахи

 2

12

Алгоритм відпалу

 2

13

Представлення та використання знань у СШІ. Експертні системи.

 2

Представлення знань

14

Представлення та використання знань у СШІ. Сфера застосування та

 4

перспективи розвитку експертних систем. Експертні системи, засновані

на правилах. Правила як процедурні знання

15

Представлення та використання знань у СШІ. Системи підтримки

 2

прийняття рішень.

16

Представлення та використання знань у СШІ. Принципи комп’ютерної

 4

підтримки прийняття рішень. Етапи процесу прийняття рішення

Разом:

36

Лекційні заняття (заочна форма навчання)

№

з/п

Назва теми лекції та перелік основних питань

(перелік дидактичних засобів, посилання на літературу та завдання на СРС)

 Кількість годин

1

Лекція 1. Вступ. Штучний інтелект. Основні поняття та визначення.

Напрями штучного інтелекту. Нейронні мережі. Моделювання роботи нейрона.Нейронна мережа перцептрон. Нейронна мережа Хопфілда. Нейронна мережа Хемінга. Нейронна мережа когнітрон, неокогнітрон.

Завдання на СРС. Ознайомлення з базовою та додатковою літературою, тематикою контрольних завдань.

2

2

Лекція 2. Класичні технології штучного інтелекту – програмна реалізація. Архітектура нейромереж. Генетичні алгоритми. Ланцюги Маркова. Алгоритми мурахи, відпалу.

Завдання для СРС. Робота з конспектом лекцій. Робота з навчальною літературою. Робота з контрольними завданнями.

 2

3

Лекція 3. Представлення та використання знань у СШІ. Експертні системи.

Представлення знань. Представлення та використання знань у СШІ. Системи підтримки прийняття рішень. Представлення та використання знань у СШІ. Принципи комп’ютерної підтримки прийняття рішень. Етапи процесу прийняття рішення.

Завдання для СРС. Робота з конспектом лекцій. Робота з навчальною літературою. Робота з контрольними завданнями.

2

**
**

Лабораторний практикум ( денна форма навчання):

Перелік лабораторних занять для студентів денної форми навчання

№

Тема лабораторного заняття

Кількість
з/п

аудиторних

годин

Восьмий семестр

1

Практичне ознайомлення з дослідницькими програмами на базі ШІ.

 2

Дослідження демонстраційних програмних продуктів

2

Вступ до нейронних мереж.

 2

Моделювання роботи нейрона
3

Розробка нейронної мережі перцептрон

 4

4

Практичне ознайомлення з нейронними мережами.

 2

Дослідження роботи нейромережі Хопфілда
5

Розробка нейронної мережі Хопфілда (чи Хемінга)

 4
6

Розробка нейронної мережі когнітрон (чи неокогнітрон)

 4
7

Розробка системи розпізнавання образів

 2

8

Класичні технології штучного інтелекту – програмна реалізація.

 6

Генетичні алгоритми. Ланцюги Маркова. Алгоритм мурахі.

Алгоритм відпалу.
9

Розробка експертної системи

 4
10

Розробка системи підтримки прийняття рішень

 4
Разом:

32

Лабораторний практикум (заочна форма навчання)

Перелік лабораторних занять для студентів заочної форми навчання

№

з/п

Назва заняття

Кількість

ауд. годин

1

Практичне ознайомлення з дослідницькими програмами на базі ШІ.

Дослідження демонстраційних програмних продуктів

2

2

Вступ до нейронних мереж.

Моделювання роботи нейронаДослідження замкненого принципу керування

2

3

Розробка системи розпізнавання образів

2

4

Разом:

6

**
**

6. Самостійна робота студента

Зміст самостійної (у тому числі індивідуальної) роботи

Самостійна робота студентів денної форми навчання полягає у систематичному опрацюванні теоретичного й програмного матеріалу, підготовці до виконання і захисту лабораторного практикуму, підготовці до проміжних та модульних контрольних робіт, ознайомлення з дослідницькими програмами на базі ШІ.

Самостійна робота виконується студентами за такими напрямками:

  1. Оволодіння теоретичними основами курсу – робота над конспектом і підручниками.

  2. Підготовка до лекцій і лабораторних занять, виконання індивідуальних завдань, підготовка до захисту лабораторних робіт, підготовка до тематичних опитувань та модульних контрольних робіт, підготовка до семінарських занять.

  3. Оволодіння поглибленими знаннями з дисципліни.

  4. Поглиблене вивчення сучасних програмних систем на базі ШІ.

Зміст семінарських занять студентів денної форми навчання

Номер

тижня

Теми семінарських занять

К-ть

годин

Восьмий семестр

1-2

 Тема 1. Штучний інтелект та інтегровані комп'ютеризовані системи 2

3-4

Тема 2. Експертні системи у гнучких комп'ютерно-інтегрованих

системах

 2

5-6

 Тема 3. Моделі подання знань у експертних системах 2

7-8

 Тема 4. Комбіновані інтелектуальні системи 4
Разом:

10

Оволодіння поглибленими знаннями з дисципліни – рекомендована тематика:

  • Поняття штучного інтелекту.

  • Поняття інтелектуальної системи (ІС) та інтелектуальної задачі (ІЗ).

  • Практичне ознайомлення з дослідницькими програмами на базі ШІ.

  • Дослідження демонстраційних програмних продуктів.

  • Способи подання ІЗ, їхні вимоги та недоліки.

  • Пошук рішень ІЗ у просторі станів. Методи «сліпого» та евристичного пошуку.

  • Методи пошуку ІЗ у разі зведення задач до сукупності підзадач.

  • Вступ до нейронних мереж. Моделювання роботи нейрона.

  • Розробка нейронної мережі перцептрона.

  • Дослідження роботи нейромережі Хопфілда

  • Розробка нейронної мережі Хопфілда (чи Хемінга).

  • Розробка нейронної мережі когнітрон (чи неокогнітрон).

  • Знання та моделі представлення знань у СШІ.

  • Продукційні моделі представлення знань.

  • Управління пошуком рішень у продукційних системах.

  • Розробка системи розпізнавання образів.

  • Семантичні сітки (СС): основні поняття, типи, способи опису та логічне виведення на СС.

  • Фрейми: основні поняття, структура фрейма. Фреймові системи.

  • Експертні системи (ЕС): призначення та принципи побудови; узагальнена архітектура; класи задач, які вирішуються за допомогою ЕС.

  • Розробка ЕС: етапи розробки; придбання знань; пошук та пояснення рішень. Інженерія знань. Практична реалізація ЕС.

  • Сучасні тенденції та підходи до створення СШІ.

  • Сучасні програми та інструментальні засоби створення СШІ. Мов функціонального та логічного програмування.

  • Онтологічний підхід до представлення та інтеграції знань у розподілених інформаційних середовищах типу Інтернет.

  • Класичні технології штучного інтелекту. Генетичні алгоритми. Ланцюги Маркова. Алгоритм мурахі. Алгоритм відпалу.

Машинне навчання.

  • Глибоке навчання

  • Обробка природньої мови

  • Комп’ютерний зір.

7. Політика та контроль

Політика навчальної дисципліни (освітнього компонента)

Система вимог, які ставляться перед студентом:

  • відвідування лекційних та лабораторних занять в умовах надзвичайної ситуації, військового стану є бажаною складовою вивчення матеріалу;

  • на лекції викладач користується власним презентаційним матеріалом; використовує інформаційні ресурси для викладання: матеріалу поточної лекції, додаткової інформації, завдань до практичних, лабораторних робіт та інше;

  • питання на лекції задаються у відведений для цього час;

  • модульні контрольні роботи, тематичні опитування (тематичні контрольні роботи) пишуться на лекційних заняттях без застосування допоміжних засобів (мобільні телефони, планшети та ін.); для перевірки робіт результат завантажується у файлі через гугл-форму до відповідної директорії гугл-диску або роботи групи надсилаються старостою (координатором) групи викладачу на його ел. адресу;

  • семінарські заняття з обговорення зазначених тем проводяться на лекційних заняттях;

  • заохочувальні бали виставляються за: виконання індивідуальних і творчих робіт з кредитного модуля, наприклад: участь у факультетських та інститутських олімпіадах з навчальної дисциплін, підготовка наукових праць (наукових статей, тез на конференції), доповідей на семінарських заняттях, тощо. Кількість заохочуваних балів не більше 10;

  • штрафні бали виставляються за: несвоєчасну здачу контрольних заходів без поважних причин; переписування тематичної контрольної роботи, тощо. Кількість штрафних балів не більше 10.

Види контролю та рейтингова система оцінювання результатів

навчання (РСО)

Рейтинг студента складається з балів, що він отримує за:

  1. виконання тематичних контрольних робіт;

  2. виконання 3-х частин модульної контрольної робіти (МКР);

  3. реферати;

  4. заохочувальні та штрафні бали.

За лабораторний практикум наприкінці семестру виставляється оцінка «зараховано», що дозволяє отримати з іспиту оцінку автоматично, відповідно до набраного рейтингу або скласти залік (іспит). Без зданого лабораторного практикуму студент до заліку (іспиту) не допускається.

Система рейтингових балів та критерії оцінювання

Денна форма навчання:

Модульні контрольні роботи:

«відмінно», повна відповідь на питання (не менш ніж 90% потрібної інформації), завдання виконано без помилок, дії обґрунтовано – 12 балів;

«добре», достатньо повна відповідь на питання (не менш ніж 75% потрібної інформації), завдання виконано без значних помилок – 9-11 балів;

«задовільно», неповна відповідь на питання, але не менше 60% в деяких завданнях можуть бути присутні значні помилки, але не менше 60% виконано правильно – 7-8 балів;

«незадовільно», незадовільна відповідь, неправильне виконання завдань, значні помилки у виконанні контрольного заходу – 0 балів.

Тематичні контрольні роботи ( тематичні контрольні опитування):

«відмінно», повна відповідь на питання (не менш ніж 90% потрібної інформації), повне виконання контрольного заходу – 10 балів;

«добре», достатньо повна відповідь (не менш ніж 75% потрібної інформації), повне виконання завдання контрольного заходу– 8-9 балів;

«задовільно», неповна відповідь на питання (не менш ніж 60% потрібної інформації), незначні помилки у виконанні контрольного заходу – 6 -7 балів;

«незадовільно», незадовільна відповідь на питання та/або значні помилки у виконання контрольного заходу – 0 балів.

Реферати:

«відмінно», тема розкрита повністю і по суті, згідно плану, (не менш ніж 90% потрібної інформації) має вступ, заключення, список використаних джерел, виконана і оформлена у належному стані. Робота здана у встановлені терміни. Повне виконання заходу – 6 балів;

«добре», достатньо повне розкриття теми (не менш ніж 75% потрібної інформації), робота виконана і оформлена у належному стані. Робота здана у встановлені терміни–5 балів;

«задовільно», неповне розкриття теми (не менш ніж 60% потрібної інформації), незначні помилки у виконанні і оформленні. Робота здана у встановлені терміни – 4 бали;

«незадовільно», тема не розкрита або зміст роботи не відповідає темі, робота виконана і оформлена у неналежному стані, а також робота – плагіат ( двійник) – 0 балів.

За роботу, яка здана невчасно без поважних причин, впроваджуються штрафні санкції.

Заохочувальні бали студент може отримати за виконання з кредитного модуля:

індивідуальних завдань і творчих робіт таких наприклад, як участь у факультетських та інститутських олімпіадах з навчальної дисципліни, підготовка наукових праць (наукових статей, тез на конференції), доповідей на семінарських заняттях, тощо., але в сумі не більше 10.

Міжсесійна атестація

За результатами навчальної роботи за перші 7 тижнів максимально можлива кількість балів – 40 (2 тематичні контрольні роботи, перша частина модульної контрольної роботи, реферат №1, 4 лабораторні роботи здані з оцінкою «зараховано» ). На першій атестації (8-й тиждень) студент отримує «атестовано», якщо його поточний рейтинг не менший ніж 23 бали.

За результатами навчальної роботи з наступних 8 тижнів навчання, максимально можлива кількість балів – 60 балів (2 тематичні контрольні роботи, 2 модульні контрольні роботи, 2 реферати та здані з оцінкою «зараховано» лабораторні роботи). На другій атестації (14-й тиждень) студент отримує «атестовано», якщо його поточний рейтинг не менший ніж 34 бали.

Максимальна сума вагових балів контрольних заходів протягом семестру складає:

RD = 3*rмкр +4*rто +4*rреф\ + (rз - rш)= 3*12+4*10+4*6 + (rз - rш)=100 + (rз - rш),

де

rмкр – бал за написання частини МКР (0…12);

rто.. – бал за тематичне опитування (0…10);

rреф.. – бал за реферат (0…6);

rз – заохочувальні бали (0…10);

rш – штрафні бали (0…10).

Залік (Іспит):

Студенти, які виконали всі умови допуску до семестрової атестації (написали всі модульні контрольні, виконали і захистили всі контрольні заходи, отримали оцінку «зараховано» з лабораторного практикуму (8 лабораторних робіт) та набрали протягом семестру необхідну кількість балів (RD ≥ 60), отримують з іспиту оцінку автоматично відповідно до набраного рейтингу (табл. 1, що наведена нижче). У такому разі до заліково-екзаменаційної відомості вносяться бали RD та відповідні оцінки.

Студенти, які набрали протягом семестру менше ніж 60 балів та не мають

заборгованостей, зобов’язані здати іспит.

Залік (Іспит) (підсумкова контрольна робота) містить 8 питань і два завдання. Кожне питання оцінюється у 5 балів, завдання - 30 балів.

Студентам, які протягом семестру набрали більш ніж 60 балів та виконали всі умови допуску, надається можливість здавати іспит (підсумкову контрольну роботу) з метою підвищення оцінки. В такому разі, попередній рейтинг студента з кредитного модуля скасовується і він отримує оцінку з урахуванням результатів іспиту (підсумкової контрольної роботи) (табл. 1, що наведена нижче).

Система оцінювання питань:

«відмінно», повна відповідь (не менше 90% потрібної інформації) – 5 балів;

«добре», достатньо повна відповідь (не менше 75% потрібної інформації, або незначні неточності) – 3-4 бали;

«задовільно», неповна відповідь (не менше 60% потрібної інформації та деякі помилки) 1-2 бали;

«незадовільно», незадовільна відповідь – 0 балів.

Сума набраних балів RD або балів за іспит переводиться до оцінки з заліку (іспиту) згідно з таблицею:

Таблиця 1 — Переведення рейтингових балів до оцінок за університетською шкалою

Кількість балів Оцінка
100-95 Відмінно
94-85 Дуже добре
84-75 Добре
74-65 Задовільно
64-60 Достатньо
Менше 60 Незадовільно
Не виконані умови допуску Не допущено

Система нарахування рейтингових балів та критерії оцінювання студентів

№ з/п

Види робіт.

Критерії оцінювання знань студентів

Бали рейтингу

Максимальна кількість балів

Бали поточної успішності за участь у семінарських заняттях

Критерії оцінювання

6 балів

- зміст питання семінарського заняття розкритий повністю та (або) відповіді на питання в процесі обговорення є обґрунтованими, студент демонструє вміння на підставі аналізу літератури, а також узагальнення

практики і сучасних наукових досліджень, робити аналітичні висновки з проблем дисципліни.

6

- зміст питання семінарського заняття розкритий повністю та (або) відповіді на питання в процесі обговорення є обґрунтованими.

5

- зміст питання семінарського заняття розкритий повністю, але з незначними недоліками та (або) в процесі обговорення студент допускає

неточності.

4

- зміст питання семінарського заняття розкритий частково, або зміст питання семінарського заняття розкритий не повністю, з

суттєвими недоліками; відповіді на питання в процесі обговорення є

малообґрунтованими.

3

- зміст питання семінарського заняття розкритий частково із суттєвими

недоліками, або не розкритий взагалі та студент не приймав участі в процесі обговорення.

0-2

Самостійна робота студентів (СРС)

Критерії оцінювання

5 балів

Робота виконана у зазначений термін (за розкладом), у повному обсязі, без помилок, студент демонструє вміння на підставі аналізу літератури, а також узагальнення практики і сучасних наукових досліджень, робити

аналітичні висновки з проблем дисципліни

5

Робота виконана у повному обсязі, без помилок

4

Робота виконана у повному обсязі, але містить незначні помилки

3

Робота виконана у неповному обсязі, але правильно або у повному обсязі, при наявності значних помилок

2

Робота не виконана або виконана не правильно

0-1

Індивідуальна робота студента (ІРС)

Критерії оцінювання

5 балів

Робота глибоко розкриває суть проблеми, відображає результати досліджень і власну позицію автора

5

Робота глибоко розкриває суть проблеми, відображає результати досліджень, проте містить певні неточності

4

Робота частково розкриває суть проблеми, і не повністю відображає результати досліджень

3

Робота має компілятивний характер, не розкриває суть проблеми

2

Робота не виконана

0

Шкала оцінювання успішності студентів за результатами підсумкового контролю

Оцінка за шкалою ECTS

Оцінка в балах

Оцінка за національною шкалою

Екзамен, диференційований залік

Залік
A

90 – 100

5

відмінно

зараховано
B

81 – 89

4

дуже добре
C

71 – 80

добре
D

61 – 70

3

задовільно
E

51 – 60

достатньо
FX

21 – 50

2

незадовільно

незарахована
F

0 – 20

2

незадовільно

(без права перездачі)

незарахована

(без права перездачі)

8. Методичне забезпечення навчальної дисципліни

Методичне забезпечення та наукове забезпечення кредитно-модульної системи організації навчального процесу з навчальної дисципліни “Технології штучного інтелекту»:

  • силабус дисципліни;

  • конспект лекцій;

  • теми рефератів семінарських занять;

  • контрольні запитання для поточної перевірки знань;

  • індивідуальні завдання (ІЗ);

  • завдання для проведення модульного контролю;

  • методичні матеріали для виконання лабораторного практикуму.

Примітки:

  1. Силабус дисципліни є нормативним документом вищого навчального закладу і містить виклад конкретного змісту навчальної дисципліни, послідовність, організаційні форми її вивчення та їх обсяг, визначає форми та засоби поточного і підсумкового контролю.

  2. Силабус дисципліни розробляється лектором.

  3. Силабус дисципліни розглядається і ухвалюється на засіданні кафедри, підписується завідувачем кафедри, розглядається і ухвалюється Вченою радою Факультету, затверджується деканом Факультету.

Питання для самоконтролю здобутих студентами знань

  1. Поняття штучного інтелекту.

  2. Поняття інтелектуальної системи (ІС) та інтелектуальної задачі (ІЗ).

  3. Способи подання ІЗ, їхні вимоги та недоліки.

  4. Три області застосування штучного інтелекту.

  5. Пошук рішень ІЗ у просторі станів. Методи «сліпого» та евристичного пошуку.

  6. Методи пошуку ІЗ у разі зведення задач до сукупності підзадач.

  7. Парадигма моделювання роботи нейрона.

  8. Структура та алгоритм роботи нейрона.

  9. Описати нейронну мережу перцептрон: архітектура (схема і опис).

  10. Описати нейронну мережу Хопфілда: алгоритм навчання.

  11. Описати нейронну мережу неокогнітрон: область і особливості застосування.

  12. Три інструменти прийняття рішень в людини.

  13. Описати нейронну мережу Хопфілда: архітектура (схема і опис).

  14. Описати нейронну мережу Хемінга: алгоритм навчання.

  15. Описати нейронну мережу когнітрон: область і особливості застосування.

  16. Види функцій активації.

  17. Описати нейронну мережу Хемінга: архітектура (схема і опис).

  18. Описати нейронну мережу перцептрон: область і особливості застосування.

  19. Поняття образу, зразка, відображення зразка та розпізнавання.

  20. Описати нейронну мережу когнітрон: архітектура (схема і опис).

  21. Описати нейронну мережу перцептрон: алгоритм навчання.

  22. Описати нейронну мережу Хопфілда: область і особливості застосування.

  23. Опис функції активації: порогова.

  24. Описати нейронну мережу неокогнітрон: архітектура (схема і опис).

  25. Описати нейронну мережу Хопфілда: алгоритм розпізнавання.

  26. Описати нейронну мережу Хемінга: область і особливості застосування.

  27. Поняття образу, зразка, відображення зразка та розпізнавання.

  28. Описати нейронну мережу перцептрон: архітектура (схема і опис)

  29. Описати нейронну мережу неокогнітрон: алгоритм навчання.

  30. Описати нейронну мережу Хемінга: переваги і недоліки.

  31. Опис функції активації: сигмоїда.

  32. Описати нейронну мережу Хопфілда: архітектура (схема і опис).

  33. Описати нейронну мережу перцептрон: алгоритм розпізнавання.

  34. Описати нейронну мережу когнітрон: переваги і недоліки.

  35. Поняття образу, зразка, відображення зразка та розпізнавання.

  36. Описати нейронну мережу Хемінга: архітектура (схема і опис).

  37. Описати нейронну мережу неокогнітрон: алгоритм розпізнавання.

  38. Описати нейронну мережу перцептрон: переваги і недоліки.

  39. Опис функції активації: лінійна обмежена.

  40. Описати нейронну мережу когнітрон: архітектура (схема і опис).

  41. Описати нейронну мережу Хемінга: алгоритм розпізнавання.

  42. Описати нейронну мережу перцептрон: переваги і недоліки.

  43. Поняття образу, зразка, відображення зразка та розпізнавання.

  44. Описати нейронну мережу неокогнітрон: архітектура (схема і опис).

  45. Описати нейронну мережу Хопфілда: алгоритм розпізнавання.

  46. Описати нейронну мережу Хемінга: переваги і недоліки.

  47. Опис функції активації: гіперболічний тангенс.

  48. Описати нейронну мережу перцептрон: архітектура (схема і опис).

  49. Описати нейронну мережу неокогнітрон: алгоритм розпізнавання.

  50. Описати нейронну мережу Хопфілда: переваги і недоліки.

  51. Способи представлення знань у СШІ

  52. Знання та моделі представлення знань у СШІ

  53. Продукційні моделі представлення знань

  54. Управління пошуком рішень у продукційних системах

  55. Вирішувані проблеми, засновані на знаннях

  56. Семантичні сітки (СС): основні поняття, типи, способи опису та логічне виведення на СС

  57. Фрейми: основні поняття, структура фрейма.

  58. Фреймові системи – загальні положення

  59. Експертні системи (ЕС): призначення та принципи побудови; узагальнена архітектура;

  60. Експертні системи: класи задач, які вирішуються за допомогою ЕС

  61. Розробка ЕС: етапи розробки; придбання знань; пошук та пояснення рішень. Інженерія знань

  62. Сучасні тенденції та підходи до створення СШІ

  63. Онтологічний підхід до представлення та інтеграції знань у розподілених інформаційних середовищах типу Інтернет.

  64. Сучасні програми та інструментальні засоби створення СШІ

Додаткова інформація з дисципліни (освітнього компонента)

Робочу програму навчальної дисципліни (Силабус):

Складено ст. викладач, Польшакова Ольга Михайлівна

Ухвалено кафедрою ІСТ (протокол № 16 від 12.06 2024 р.)

Погоджено Методичною комісією факультету ФІОТ (протокол № 10 від 21.06 2024 р.)

Питання для самоконтролю здобутих студентами знань

  1. Поняття штучного інтелекту.

  2. Поняття інтелектуальної системи (ІС) та інтелектуальної задачі (ІЗ).

  3. Способи подання ІЗ, їхні вимоги та недоліки.

  4. Три області застосування штучного інтелекту.

  5. Пошук рішень ІЗ у просторі станів. Методи «сліпого» та евристичного пошуку.

  6. Методи пошуку ІЗ у разі зведення задач до сукупності підзадач.

  7. Парадигма моделювання роботи нейрона.

  8. Структура та алгоритм роботи нейрона.

  9. Описати нейронну мережу перцептрон: архітектура (схема і опис).

  10. Описати нейронну мережу Хопфілда: алгоритм навчання.

  11. Описати нейронну мережу неокогнітрон: область і особливості застосування.

  12. Три інструменти прийняття рішень в людини.

  13. Описати нейронну мережу Хопфілда: архітектура (схема і опис).

  14. Описати нейронну мережу Хемінга: алгоритм навчання.

  15. Описати нейронну мережу когнітрон: область і особливості застосування.

  16. Види функцій активації.

  17. Описати нейронну мережу Хемінга: архітектура (схема і опис).

  18. Описати нейронну мережу перцептрон: область і особливості застосування.

  19. Поняття образу, зразка, відображення зразка та розпізнавання.

  20. Описати нейронну мережу когнітрон: архітектура (схема і опис).

  21. Описати нейронну мережу перцептрон: алгоритм навчання.

  22. Описати нейронну мережу Хопфілда: область і особливості застосування.

  23. Опис функції активації: порогова.

  24. Описати нейронну мережу неокогнітрон: архітектура (схема і опис).

  25. Описати нейронну мережу Хопфілда: алгоритм розпізнавання.

  26. Описати нейронну мережу Хемінга: область і особливості застосування.

  27. Поняття образу, зразка, відображення зразка та розпізнавання.

  28. Описати нейронну мережу перцептрон: архітектура (схема і опис)

  29. Описати нейронну мережу неокогнітрон: алгоритм навчання.

  30. Описати нейронну мережу Хемінга: переваги і недоліки.

  31. Опис функції активації: сигмоїда.

  32. Описати нейронну мережу Хопфілда: архітектура (схема і опис).

  33. Описати нейронну мережу перцептрон: алгоритм розпізнавання.

  34. Описати нейронну мережу когнітрон: переваги і недоліки.

  35. Поняття образу, зразка, відображення зразка та розпізнавання.

  36. Описати нейронну мережу Хемінга: архітектура (схема і опис).

  37. Описати нейронну мережу неокогнітрон: алгоритм розпізнавання.

  38. Описати нейронну мережу перцептрон: переваги і недоліки.

  39. Опис функції активації: лінійна обмежена.

  40. Описати нейронну мережу когнітрон: архітектура (схема і опис).

  41. Описати нейронну мережу Хемінга: алгоритм розпізнавання.

  42. Описати нейронну мережу перцептрон: переваги і недоліки.

  43. Поняття образу, зразка, відображення зразка та розпізнавання.

  44. Описати нейронну мережу неокогнітрон: архітектура (схема і опис).

  45. Описати нейронну мережу Хопфілда: алгоритм розпізнавання.

  46. Описати нейронну мережу Хемінга: переваги і недоліки.

  47. Опис функції активації: гіперболічний тангенс.

  48. Описати нейронну мережу перцептрон: архітектура (схема і опис).

  49. Описати нейронну мережу неокогнітрон: алгоритм розпізнавання.

  50. Описати нейронну мережу Хопфілда: переваги і недоліки.

  51. Способи представлення знань у СШІ

  52. Знання та моделі представлення знань у СШІ

  53. Продукційні моделі представлення знань

  54. Управління пошуком рішень у продукційних системах

  55. Вирішувані проблеми, засновані на знаннях

  56. Семантичні сітки (СС): основні поняття, типи, способи опису та логічне виведення на СС

  57. Фрейми: основні поняття, структура фрейма.

  58. Фреймові системи – загальні положення

  59. Експертні системи (ЕС): призначення та принципи побудови; узагальнена архітектура;

  60. Експертні системи: класи задач, які вирішуються за допомогою ЕС

  61. Розробка ЕС: етапи розробки; придбання знань; пошук та пояснення рішень. Інженерія знань

  62. Сучасні тенденції та підходи до створення СШІ

  63. Онтологічний підхід до представлення та інтеграції знань у розподілених інформаційних середовищах типу Інтернет.

  64. Сучасні програми та інструментальні засоби створення СШІ

Додаткова інформація з дисципліни (освітнього компонента)

Робочу програму навчальної дисципліни (Силабус):

Складено ст. викладач, Польшакова Ольга Михайлівна

Ухвалено кафедрою ІСТ (протокол № 16 від 12.06 2024 р.)

Погоджено Методичною комісією факультету ФІОТ (протокол № 10 від 21.06 2024 р.)